【技术实现步骤摘要】
本专利技术涉及机械工程的故障分析和维修，具体涉及一种多模态数据融合的轴承故障诊断方法。
技术介绍
1、轴承是一种用于减少机械设备中两个相对运动部分之间摩擦和传递载荷的装置。它通常由一个内圈、一个外圈和一组介于内圈和外圈之间的滚动体(例如球或滚子)组成。因为轴承在机械设备中承担着关键的功能和负载，在工业生产中，轴承故障可能会造成其它零部件的损坏，导致长时间的设备停机和维修成本的增加，所以，实时准确地进行轴承故障诊断对于维护和预防性维修至关重要。
2、目前的轴承故障诊断方法，其特征输入，大多是基于轴承的振动信号，通过监测轴承的振动信号，分析振动频谱和特征，可以检测到轴承的异常振动和故障。然而，由于振动信号的特征受到多个因素的影响，如负荷、转速、噪声等，单一振动信号分析往往无法提供足够准确的结果。其次，振动信号仅仅反应了故障轴承的周向信息，而忽略了故障轴承的径向信息，导致同周向但不同径向的故障类别容易混淆，使诊断精度降低。
3、同时，传统的轴承故障诊断方式通常基于定期维护和离线检测，停机时间长，人工成本高。这种故障诊断方法在生产部署完成之后，其模型参数就不再改变，一旦生产环境发生变化，就需要丢弃原有模型，重新训练模型，停机再部署，这会导致生产中断和额外的成本。
技术实现思路
1、针对现有技术中存在的上述问题，本专利技术提供一种多模态数据融合的轴承故障诊断方法，能够利用本地轴承振动信号数据集和红外数据集进行模态融合，同时考虑到轴承故障的周向特征和径向特征，提高了故障
2、第一方面，本申请实施例提供了一种多模态数据融合的轴承故障诊断方法，包括步骤：
3、步骤a，采集故障轴承运行状态的数据集，所述数据集包括训练集和对应的标签文件，所述训练集包括红外图像数据和振动数据，所述标签文件为人工诊断的真实轴承故障。
4、步骤b，利用残差提取器提取故障轴承的红外图像数据，同时利用信号变压器提取故障轴承的振动数据。
5、步骤c，搭建融合网络，并基于搭建好的融合网络对提取的红外图像数据和振动数据进行多模态数据融合。
6、步骤d，基于采集的数据集对残差提取器、信号变压器以及搭建好的融合网络进行训练，为残差提取器、信号变压器以及搭建好的融合网络分别设置相应的自适应因子，并计算损失函数，直至损失函数收敛至预设值，以得到训练好的轴承故障诊断模型。
7、步骤e，利用训练好的轴承故障诊断模型对待诊断的轴承故障进行诊断。
8、在第一方面的一种可选方案中，步骤c中，所述融合网络的网络架构包括依次连接的采样模块、融合模块以及语义分析模块；所述采样模块包括依次连接的全连接层和激活函数层；所述融合模块包括依次连接的多个融合子模块，单个所述融合子模块包括依次连接的卷积层、归一化层以及激活函数层；所述语义分析模块为用于输出融合后故障语义特征的多头自注意力层。所述融合模块包括依次连接的三个融合子模块，所述激活函数具体为relu函数。
9、在第一方面的又一种可选方案中，步骤b中，所述信号变压器包括依次连接的处理器、编码器以及全连接层。
10、在第一方面的又一种可选方案中，步骤b中，所述处理器包括依次连接的标准化层、多头自注意力层、标准化层以及全连接层。
11、在第一方面的又一种可选方案中，步骤b中，振动数据在输入信号变压器中的处理器前，先进行预处理，所述预处理为对输入信号进行分割，分割成预设个数的信号段，并对每个信号段进行位置编码，分割成8个信号段，对每个信号段进行位置编码，编码为1-8。
12、在第一方面的又一种可选方案中，步骤b中，分割后的每个信号段为输入信号，输入信号经过处理器的标准化层和多头自注意力层后，得到第一输出，第一输出与输入信号相加后，经过处理器的标准化层和全连接层，得到第二输出，第二输出与第一输出相加后，得到最终的处理器输出信息。
13、在第一方面的又一种可选方案中，步骤d中，所述损失函数的计算式为：loss＝λle+αlt+μlcl
14、其中，loss表示损失函数，le表示残差提取器的自适应因子，λ表示残差提取器的自适应因子的参数，lt表示信号变压器的自适应因子，α表示信号变压器的自适应因子的参数，lcl表示融合网络的自适应因子，μ表示融合网络的自适应因子的参数。
15、在第一方面的又一种可选方案中，步骤a中，还对采集的数据集进行预处理，所述预处理为删除不清晰的红外图像数据和重复的振动数据。
16、第二方面，本申请实施例提供了一种计算机存储介质，计算机存储介质存储有计算机程序，计算机程序包括程序指令，程序指令当被处理器执行时，可实现本申请实施例第一方面或第一方面的任意一种实现方式提供的一种多模态数据融合的轴承故障诊断方法。
17、第三方面，本申请实施例提供了一种电子设备，包括存储器和处理器，所述存储器和所述处理器之间互相通信连接，所述存储器存储有计算机指令，所述处理器通过执行所述计算机指令，从而执行本申请实施例第一方面或第一方面的任意一种实现方式提供的一种多模态数据融合的轴承故障诊断方法。
18、本专利技术的有益技术效果包括：
19、1.提出了一种轴承故障诊断方法，利用了多元信号融合技术，将两种模态的轴承红外图像数据和振动数据融合起来作为诊断判据，同时考虑到了轴承故障的周向特征和径向特征，提高了轴承故障诊断的可靠性。
20、2.将轴承故障诊断模型部署至服务端，利用客户端访问服务端实现在线诊断，使用客户端的反馈信息实现在线模型更新，实现了在线模型参数更新和诊断，降低了后期的运行维护成本。
本文档来自技高网...【技术保护点】
1.一种多模态数据融合的轴承故障诊断方法，其特征在于，包括步骤：
2.根据权利要求1所述的一种多模态数据融合的轴承故障诊断方法，其特征在于，步骤C中，所述融合网络的网络架构包括依次连接的采样模块、融合模块以及语义分析模块；所述采样模块包括依次连接的全连接层和激活函数层；所述融合模块包括依次连接的多个融合子模块，单个所述融合子模块包括依次连接的卷积层、归一化层以及激活函数层；所述语义分析模块为用于输出融合后故障语义特征的多头自注意力层。
3.根据权利要求1所述的一种多模态数据融合的轴承故障诊断方法，其特征在于，步骤B中，所述信号变压器包括依次连接的处理器、编码器以及全连接层。
4.根据权利要求3所述的一种多模态数据融合的轴承故障诊断方法，其特征在于，步骤B中，所述处理器包括依次连接的标准化层、多头自注意力层、标准化层以及全连接层。
5.根据权利要求4所述的一种多模态数据融合的轴承故障诊断方法，其特征在于，步骤B中，振动数据在输入信号变压器中的处理器前，先进行预处理，所述预处理为对输入信号进行分割，分割成预设个数的信号段，并对每个信号段
6.根据权利要求5所述的一种多模态数据融合的轴承故障诊断方法，其特征在于，步骤B中，分割后的每个信号段为输入信号，输入信号经过处理器的标准化层和多头自注意力层后，得到第一输出，第一输出与输入信号相加后，经过处理器的标准化层和全连接层，得到第二输出，第二输出与第一输出相加后，得到最终的处理器输出信息。
7.根据权利要求1所述的一种多模态数据融合的轴承故障诊断方法，其特征在于，步骤D中，所述损失函数的：LOSS＝λLE+αLT+μLCL
8.根据权利要求1所述的一种多模态数据融合的轴承故障诊断方法，其特征在于，步骤A中，还对采集的数据集进行预处理，所述预处理为删除不清晰的红外图像数据和重复的振动数据。
9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使所述计算机执行如权利要求1-8任一项所述的一种多模态数据融合的轴承故障诊断方法。
10.一种电子设备，其特征在于，包括存储器和处理器，所述存储器和所述处理器之间互相通信连接，所述存储器存储有计算机指令，所述处理器通过执行所述计算机指令，从而执行如权利要求1-8任一项所述的一种多模态数据融合的轴承故障诊断方法。
...【技术特征摘要】
1.一种多模态数据融合的轴承故障诊断方法，其特征在于，包括步骤：
2.根据权利要求1所述的一种多模态数据融合的轴承故障诊断方法，其特征在于，步骤c中，所述融合网络的网络架构包括依次连接的采样模块、融合模块以及语义分析模块；所述采样模块包括依次连接的全连接层和激活函数层；所述融合模块包括依次连接的多个融合子模块，单个所述融合子模块包括依次连接的卷积层、归一化层以及激活函数层；所述语义分析模块为用于输出融合后故障语义特征的多头自注意力层。
3.根据权利要求1所述的一种多模态数据融合的轴承故障诊断方法，其特征在于，步骤b中，所述信号变压器包括依次连接的处理器、编码器以及全连接层。
4.根据权利要求3所述的一种多模态数据融合的轴承故障诊断方法，其特征在于，步骤b中，所述处理器包括依次连接的标准化层、多头自注意力层、标准化层以及全连接层。
5.根据权利要求4所述的一种多模态数据融合的轴承故障诊断方法，其特征在于，步骤b中，振动数据在输入信号变压器中的处理器前，先进行预处理，所述预处理为对输入信号进行分割，分割成预设个数的信号段，并对每个信号段进行位置编码。
6.根据权利要求5所述...
【专利技术属性】
技术研发人员：傅雷，姚博文，叶涵宇，张立彬，胥芳，
申请(专利权)人：浙江工业大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。